AAAINov, 2022

即使没有基础数据也能实现更好的泛化小样本学习

PDF
TL;DR本文介绍和研究了零基础广义少样学习（zero-base GFSL），提出了一种简单而有效的归一化方法，可以有效控制新类的权重分布的均值和方差，实现了对新类和基类的令人满意的性能，并且不使用任何基本样本的零基础 GFSL 方法甚至优于利用基本数据的现有 GFSL 方法。
zero-base generalized few-shot learningpretrained modelnormalization methodnovel classesbase classes
发现论文，激发创造
  • 基于数据无关的广义零样本学习

    基于 CLIP 基类分类器的无数据零样本学习方法提出了一个通用框架，该框架包含三个主要组成部分：基于 vMF 分布建模基类数据的虚拟特征恢复、特征 - 语言输入调整以进一步对齐虚拟图像特征和文本特征、使用对齐后的特征训练条件生成模型，可以生成新类别的特征并实现更好的零样本泛化。在常用的五个广义 ZSL 基准和 11 个基类到新类别 ZSL 基准上进行了评估，结果显示了该方法的优越性和有效性。

    Jan, 2024

  • 广义零样本学习方法综述

    本文综述了广义零样本学习（GZSL）的问题及挑战，展示了一种分层分类方法，并讨论了每个类别中的代表性方法，同时探讨了 GZSL 可用的基准数据集和应用以及未来研究方向。

    Nov, 2020

  • 远程学习：重新思考有限监督下的广义零样本学习

    本文提出了基于产品专家公式和 A UD 模块的零样本和少量样本归纳学习框架，利用来自非数据类的未标记采样来提高任意数量学习的泛化能力，并证明了该模型适用于有限监督场景下的广义零样本模型。

    Jul, 2021

  • 广义零样本学习在野外物体识别中的实证研究与分析

    本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的 generalized zero-shot learning 的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于 GZSL 的重要性。

    May, 2016

  • 广义零样本学习中的投影偏差度量学习

    通过在 VAEGAN 框架中学习带权重矩阵的参数化马氏距离，我们提出了一种改进的网络结构来优化广义零样本学习模型，通过两个分支的鉴别模型分别预测已知样本和由已知样本生成的未知样本，实验结果显示我们的方法在四个数据集上优于现有最先进的方法。

    Sep, 2023

  • 后来出现的未知类别？没问题

    本研究提出了一种新的在线学习方法，旨在解决 continual generalized zero-shot learning 中动态添加新已知或未知类别所带来的挑战，该方法结合了双向增量对齐和特征生成框架以动态适应新类别的到来，并在五个基准数据集上表现出更好的泛化能力。

    Mar, 2022

  • 关系推广少样本学习

    本文提出一种基于图卷积的全局原型网络（GcGPN）的图形框架，该框架显式地模拟了联合标签空间中所有已看到和新类别之间的关系，以在全局一致的方式下将新类别嵌入到以前看到的所有类别的现有空间中，为广义小样本学习（GFSL）中的快速适应和全局区分提供了解决方案。

    Jul, 2019

  • 全局类别表示的小样本学习

    本篇论文提出一种使用基类和新类训练样本学习全局类别表示来解决少样本学习问题的方法，该方法在训练过程中涉及到新类训练样本，并且采用了有效的样本综合策略避免过拟合，同时能够轻松扩展到更具挑战性的 FSL 场景。

    Aug, 2019

  • 学习基于图的先验知识用于广义零样本学习

    本篇论文研究了利用标签信息、属性以及关系图加强零样本学习和广义零样本学习，基于这个方法，本文在 CUB 和 SUN 数据集上取得了比强基线更好的结果。

    Oct, 2020

  • 广义零样本学习的模型选择

    通过使用生成对抗网络（GAN）生成未见类别的语义嵌入辅助数据点，结合传统训练数据，利用模型选择机制使得泛零样本学习可以分为两个不相交的分类任务，以减少不平衡的数据分布，从而获得最先进的结果。

    Nov, 2018